均值、方差、协方差、相关系数。 通用几个统计值 均值 The sum divided by the count. 数据集中程度的一个统计量，目的是确定一组数据的均衡点。 $$\mu_x=\bar{X}=\frac{\sum_{i=1}^{

使用比特币数据，预测未来7天比特币价格，演示 AR 和 ARIMA模型使用率高方法。 数据概览import pandas as pd import numpy as np from matplotlib import pyplot as p

单位根检验单位根检验是一种更客观的判定是否需要差分的方法。 这个针对平稳性的统计假设检验被用于判断是否需要差分方法来让数据更平稳。单位根检验的方法有很多种，ADF是一种常用的单位根检验方法，他的原假设为序列具有单位根，即非平稳，对于一个平稳

自相关系数自相关系数可以测量时间序列 滞后值 之间的线性相关性，正如相关系数可以衡量两个变量之间的线性相关性。 如 $r_1$ 衡量 $y_t$ 和 $y_{t-1}$ 之间的关系；$r_2$ 衡量 $y_t$ 和 $y_{t-2}$

AR 模型自回归模型基于目标变量历史数据的组合对目标变量进行预测。自回归一词中的自字即表明其是对变量自身进行的回归。 一个 $p$ 阶的自回归模型 $AR(p)$可以表示如下：$$y_t=c+w_1y_{t-1}+w_2y_{t-2}+ …

延迟算子时间序列的延迟使用延迟算子（backshift operator）描述， 用$B$ 表示。 (有的文献使用滞后算子，Lag operator，用$L$表示） $$By_t=y_{t-1}$$ $$B(By_t)=B^2y_t=y_{

平稳性如果时间序列的性质不随时间变化而变化（如均值0，方差趋于稳定值），我们称该序列是平稳的。典型的平稳序列是白噪声（white noise series）。 因此具有趋势、周期性、季节性的序列不是平稳序列。 ARIMA模型要求序列是平稳的

分两个部分，第一部分，讨论时间序列数据上常用的方法，如柱状图（histograms）、曲线图（plotting），和一些能用于时间序列数据的聚合操作（group-by operations）。 第二部分，重点讨论时间序列分析相关的方法。 F

国内有没有 Snap 源？国内就没有一个能用的 snap 镜像源！如题，snap 部署很方便，但是下载速度也太慢了吧?问下 ubuntu 如何安装本地的 snap 包？ demo with nodejs curl -H 'Snap-

问题定义以商品销量举例， 第 $i$ 个商品在 $t$ 时刻的销量 $Z$ 表示为 $Z_{i, t}$； 我们预测条件分布 $P(Z_{i,t}|Z_{i, t-1}, Z_{i, t-2}, …, Z_{i, 1})$ 进一步预测更多